dqi is the nearest-neighbour distan

dqi is the nearest-neighbour distance, min is the minimum distance,and dist is the Euclidian distance between the query pixel q and a pixel xi belonging to a specific spectral class Si, which is a subset of the entire image.In step 4, the contextual feature vectors are classified using clustering techniques that group the pixels with similar contextual feature vectors to create new classes that are based on contextual information. This classification can either be supervised or unsupervised.Supervised classification entails identifying a number of cluster centres using training areas. A basic example is an area of forest that has been marked as a training area for the class forest and an urban area that has been marked as urban. Based on the contextual feature vectors covered by the training areas, a mean
cluster centre is calculated. All of the contextual feature vectors
are then compared with the mean cluster centres and are assigned
the closest centre. An example of unsupervised classification is the
common method of a moving K-mean cluster analysis in which the
user decides the number of clusters (K). For each cluster, a mean
vector is located within the multidimensional space created by
the contextual feature vectors. The dimensions are the distance
to each individual spectral class. Therefore, if there are ten classes,
then there are ten dimensions, and each pixel has a position in the
ten-dimensional space. The moving K-mean clustering algorithm
applied to the contextual feature can be defined as:

ผลลัพธ์ (ไทย) 1:

dqi คือ เพื่อนบ้านที่ใกล้ที่สุดระยะห่าง min คือ ระยะห่างต่ำสุด และข้ามเป็นระยะห่าง Euclidian ระหว่างสอบถามเซล a และ q พิกเซลซีของชั้นสเปกตรัมเฉพาะซี ซึ่งเป็นเซตย่อยของทั้งภาพในขั้นตอนที่ 4 คุณลักษณะตามบริบทประเภทเวกเตอร์ใช้เทคนิคระบบคลัสเตอร์ที่กลุ่มพิกเซลกับบริบทคุณลักษณะคล้ายเวกเตอร์การสร้างคลาใหม่ที่ยึดตามข้อมูลบริบท ประเภทนี้สามารถเป็นแบบมีผู้สอน หรือ unsupervisedมีประเภทมีการระบุหมายเลขของศูนย์คลัสเตอร์ที่ใช้พื้นที่การฝึกอบรม ตัวอย่างพื้นฐานเป็นพื้นที่ป่าที่ถูกทำเครื่องหมายเป็นพื้นที่ฝึกอบรมในป่าคลาสและเป็นเมืองที่มีการทำเครื่องหมายเป็นเมือง ตามเวกเตอร์ลักษณะบริบทครอบคลุมพื้นที่ฝึกอบรม ค่าเฉลี่ยการคลัสเตอร์ศูนย์เสมอ เวกเตอร์ลักษณะบริบททั้งหมดแล้วเมื่อเทียบกับศูนย์หมายถึงคลัสเตอร์ และได้รับมอบหมายศูนย์ใกล้ที่สุด ตัวอย่างของประเภท unsupervisedวิธีการวิเคราะห์คลัสเตอร์ K ค่าเฉลี่ยเคลื่อนที่ผู้ใช้กำหนดหมายเลขของคลัสเตอร์ (K) ในแต่ละคลัสเตอร์ หมายถึงการเวกเตอร์อยู่ภายในช่องว่างมิติสร้างขึ้นโดยเวกเตอร์ลักษณะบริบท ขนาดมีระยะห่างแต่ละชั้นสเปกตรัมแต่ละ ดังนั้น ถ้ามีชั้น 10แล้วมีขนาด 10 และแต่ละพิกเซลมีตำแหน่งในการพื้นที่ 10 มิติ ขั้นตอนวิธีการระบบคลัสเตอร์ K หมายถึงเคลื่อนไหวใช้แบบตามบริบทคุณลักษณะที่สามารถกำหนดเป็น:

ผลลัพธ์ (ไทย) 2:

DQI คือระยะทางที่ใกล้ที่สุดของเพื่อนบ้าน, นาทีเป็นระยะทางขั้นต่ำและ dist คือระยะทางที่ Euclidian ระหว่างพิกเซลแบบสอบถาม Q และพิกเซล Xi ที่อยู่ในประเภทคลาสสเปกตรัมเฉพาะ Si, ซึ่งเป็นส่วนหนึ่งของขั้นตอน image.In ทั้ง 4 เวกเตอร์คุณลักษณะบริบทจัดประเภทโดยใช้เทคนิคการจัดกลุ่มว่ากลุ่มพิกเซลที่มีพาหะคุณลักษณะบริบทที่คล้ายกันในการสร้างคลาสใหม่ที่อยู่บนพื้นฐานของข้อมูลบริบท การจัดหมวดหมู่นี้อย่างใดอย่างหนึ่งสามารถได้รับการดูแลหรือการจัดหมวดหมู่ unsupervised.Supervised การระบุจำนวนของศูนย์คลัสเตอร์โดยใช้พื้นที่การฝึกอบรม ตัวอย่างพื้นฐานคือพื้นที่ป่าที่ได้รับการทำเครื่องหมายเป็นพื้นที่สำหรับการฝึกอบรมป่าชั้นและเขตเมืองที่ได้รับการทำเครื่องหมายเป็นเมือง ขึ้นอยู่กับเวกเตอร์คุณลักษณะบริบทปกคลุมด้วยพื้นที่การฝึกอบรม, ค่าเฉลี่ย
กลุ่มศูนย์มีการคำนวณ ทั้งหมดเวกเตอร์คุณลักษณะบริบท
อยู่แล้วเมื่อเทียบกับศูนย์คลัสเตอร์ค่าเฉลี่ยและได้รับมอบหมายให้
ศูนย์ที่ใกล้เคียงที่สุด ตัวอย่างของการจัดหมวดหมู่ใกล้ชิดเป็น
วิธีการทั่วไปในการเคลื่อนย้ายการวิเคราะห์กลุ่ม K-เฉลี่ยที่
ผู้ใช้ตัดสินใจจำนวนของกลุ่ม (K) สำหรับแต่ละกลุ่ม, ค่าเฉลี่ย
เวกเตอร์ตั้งอยู่ภายในพื้นที่หลายมิติที่สร้างขึ้นโดย
คุณลักษณะเวกเตอร์บริบท มิติเป็นระยะทางที่
ไปเรียนสเปกตรัมของแต่ละคน ดังนั้นถ้ามีสิบชั้นเรียน
นั้นมีสิบมิติและแต่ละพิกเซลมีตำแหน่งใน
พื้นที่สิบมิติ ขั้นตอนวิธีการย้ายการจัดกลุ่ม K-ค่าเฉลี่ย
การใช้คุณลักษณะบริบทสามารถกำหนดเป็น:

ผลลัพธ์ (ไทย) 3:

dqi คือระยะทางเพื่อนบ้านที่ใกล้ที่สุด มินเป็นระยะทางขั้นต่ำและ Dist เป็น euclidian ระยะห่างระหว่างพิกเซลพิกเซลและสอบถามคิวซีเป็นของศรีชั้นสเปกตรัมที่เฉพาะเจาะจง ซึ่งเป็นส่วนหนึ่งของภาพทั้งหมด ในขั้นตอนที่ 4เวกเตอร์ลักษณะบริบทจะแบ่งโดยใช้เทคนิคการจัดกลุ่มกลุ่มพิกเซลกับเวกเตอร์ที่คล้ายกันบริบท คุณสมบัติในการสร้างคลาสใหม่ที่อยู่บนพื้นฐานของข้อมูลบริบท ประเภทนี้สามารถถูกควบคุมหรือดูแลการใช้ unsupervised ระบุหมายเลขของกลุ่มศูนย์ โดยใช้พื้นที่การฝึกตัวอย่างง่ายๆ คือพื้นที่ป่าที่ได้รับการทำเครื่องหมายเป็นพื้นที่สำหรับห้องป่าและพื้นที่เมืองที่ถูกระบุว่าเป็นเมือง ขึ้นอยู่กับบริบทคุณลักษณะเวกเตอร์ครอบคลุมพื้นที่การฝึกอบรม , หมายถึง
กลุ่มศูนย์บริการจะถูกคำนวณ ทั้งหมดของบริบทคุณลักษณะเวกเตอร์
แล้วเทียบกับค่าเฉลี่ยกลุ่มศูนย์และได้รับมอบหมาย
ศูนย์ที่ใกล้ที่สุดตัวอย่างของการจัดหมวดหมู่ unsupervised เป็นวิธีการทั่วไปของการย้าย

k-mean การวิเคราะห์กลุ่มที่ผู้ใช้จะตัดสินใจจำนวนกลุ่ม ( K ) สำหรับแต่ละคลัสเตอร์ หมายถึง
ตั้งอยู่ภายในพื้นที่เวกเตอร์มิติ สร้างโดย
เวกเตอร์คุณลักษณะตามบริบท มิติระยะทาง
ในแต่ละคน การสอน ดังนั้น หากมีสิบชั้น
,แล้วมีขนาดสิบและแต่ละพิกเซลมีตำแหน่งใน
ช่องว่างมิติ 10 ย้าย k-mean การจัดกลุ่มขั้นตอนวิธี
ใช้กับคุณลักษณะตามบริบทที่สามารถกำหนดเป็น :